كيف تكشف نماذج الذكاء الاصطناعي عن تحيزات ثقافية وتقلل منها؟

في خطوة جديدة مثيرة في عالم الذكاء الاصطناعي، تبرز دراسة أجرتها مجموعة من الباحثين أهمية فهم التحيزات الثقافية التي قد تتواجد في نماذج اللغات الضخمة (Large Language Models). حيث قامت الدراسة بتقييم ثلاثة نماذج مفتوحة المصدر: Gemma3-12B من الولايات المتحدة، Bielik-11B-v3 من بولندا، وQwen3-4B من الصين.

استخدم الباحثون بيانات من المسح العالمي للقيم (World Values Survey Wave 7) لتقييم 63 شخصية ديموغرافية عبر ثلاث دول، واستندوا إلى مسافة فاسيرشتاين المعايير (normalized Wasserstein distance) لقياس الفروقات التوزيعية بين هذه النماذج وسكانها المحليين.

المفاجأة الكبرى كانت أن أي من النماذج لم يظهر ميلاً لدعم بلده المنشأ، حيث كان أداء النموذج الصيني Qwen3-4B هو الأضعف على مستوى مواطنيه الصينيين. على الرغم من التوقعات، سجّل هذا النموذج أكبر نسبة تحيز داخل المصفوفة الكاملة بين النماذج والدول.

لحل هذه المشكلة، قام الباحثون بتخصيص تعديل LoRA المستهدف (targeted LoRA fine-tuning) عبر تدريب 1200 زوج بيانات فقط، ولمدة لا تتجاوز 15 دقيقة على وحدة معالجة رسومات واحدة. وقد أسفر هذا عن تقليل التحيز بنسب ملحوظة تصل إلى 16.8% في نموذج Bielik-11B، مع تحسين ملحوظ لجميع الشخصيات المستهدفة.

ومع ذلك، فقد أظهر تحليل التوزيع على مستوى الدول أنه على الرغم من تقليل التحيز، إلا أن هذا التخصيص أدى إلى إعادة توزيع التحيز بدلاً من إزالته، مما يعني أن الشخصيات الأضعف في النموذج تبادلت خصائصها من الشخصيات الأمريكية إلى كبار السن الصينيين، دون وجود أي تداخل بين المجموعات قبل وبعد التعديل.

تُعتبر هذه الدراسة الأولى من نوعها التي تستهدف الشخصيات الديموغرافية الأكثر تضرراً من خلال تخصيص LoRA بغرض تقليل التحيز الثقافي.

ما رأيكم في كيفية تأثير هذه النتائج على تطوير نماذج الذكاء الاصطناعي المستقبلية؟ شاركونا في التعليقات!